Machine Learning Methods for Time Series

Questo lavoro analizza il contributo delle metodologie di Machine Learning al forecasting macroeconomico, con particolare riferimento alla previsione dell’inflazione negli Stati Uniti in contesti caratterizzati da un’elevata dimensionalità informativa. L’inflazione rappresenta una variabile particolarmente complessa da prevedere, a causa della presenza di dinamiche persistenti, possibili cambiamenti di regime e relazioni articolate tra le variabili macroeconomiche. Il lavoro prende come riferimento lo studio di Boesch e Ziegelmann (2025), nel quale gli Autori propongono il metodo WLadaENet, una procedura di regressione penalizzata che introduce una penalizzazione adattiva differenziata sui ritardi temporali. Dopo aver presentato le principali tecniche di Machine Learning utilizzate nella previsione macroeconomica, la tesi discute l’analisi empirica condotta dagli autori, confrontando le performance previsive di numerosi modelli di Machine Learning e di benchmark tradizionali nella previsione dell’inflazione statunitense. Nella parte finale viene inoltre realizzata un’analisi empirica supplementare, basata sul dataset FRED-MD aggiornato alla versione più recente disponibile, nella quale vengono replicate e confrontate alcune delle metodologie considerate nello studio di riferimento. I risultati evidenziano come l’efficacia relativa dei modelli dipenda in misura rilevante dal regime macroeconomico, dall’orizzonte previsivo e dalla struttura informativa dei dati.